动态规划——背包问题【完全背包】

问题描述：

  有N种物品和一个容量为V的背包，每种物品都有无限件可用。第i种物品的费用是w[i]，价值是v[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

---

贪心 Y or N ？
  因为每件物品都可以选取任意件，你也许会想到贪心算法：选取价值最高的就好了～～～ 看上去没什么毛病，但是有一个问题，就是往往无法填满背包，还有剩余空间。当然，你也许会想：用价值第二高的填充，如果还是放不下，就选第三、四高的填充。听起来似乎可行，但是很容易举出反例：两个物品：A（价值5，体积5）、B（价值8，体积7），背包大小为10。那么用上述贪心算法，只能选取一个B物品，获得价值为8。但是很明显，正解为10。所以贪心算法在这里并不适用。

---

最优化原理
  假设完全背包的最优解为F(n1,n2,…,nN)（n1，n2 分别代表第1、第2件物品的选取数量），完全背包的子问题为，将前i种物品放入容量为t的背包并取得最大价值，其对应的解为：F(n1,n2,…,ni)，假设该解不是子问题的最优解，即存在另一组解F(m1,m2,…,mi)，使得F(m1,m2,…,mi) > F(n1,n2,…,ni)，那么F(m1,m2,…,mi,…,nN) 必然大于 F(n1,n2,…,nN)，因此 F(n1,n2,…,nN) 不是原问题的最优解，与原假设不符，所以F(n1,n2,…,ni)必然是子问题的最优解。

---

无后效性：
  对于子问题的任意解，都不会影响后续子问题的解，也就是说，前i种物品如何选择，只要最终的剩余背包空间不变，就不会影响后面物品的选择。即满足无后效性。

因此，完全背包问题也可以使用动态规划来解决。

---

定义dp[ i ][ j ]：在前 i 件物品中选取物品，放到容量为 j 的背包所获得的最大价值。
状态转移方程： dp[ i + 1 ][ j ] = max ( dp[ i ][ j - k * w[ i ] ] + k * v[ i ] )；
因为完全背包中，第 i 个物品可以选多次，上式中的 k 就代表这个次数。 由于上式左边背包最大容积为 j ，所以 k 最大最大不能超过 j / wi; 故 k 的范围是 0<= k <= j / wi。
这个式子很直观，甚至01背包也可以用这个式子表示，只要把 k 的取值范围改正{0, 1}，也就是说，其实01背包是一种特殊的完全背包。虽然得出这个结论不难，但是如果这个式子的效率不高，做了很多重复的计算。
所以我们给出新的状态转移方程：
dp[ i + 1 ][ j ] = max ( dp[ i ][ j ] , dp[ i + 1 ][ j - w[ i ] ] + v[ i ] )

---

下面证明二者等价：
dp[ i + 1][ j ]= max( dp[ i ][ j ] , dp[ i+1 ][ j - wi ] + vi )
      = max (dp[ i ][ j ] , max { dp[ i ][ j- wi - k * wi ]+k *vi } +vi ), k>=0
      = max ( dp[ i ][ j ] , max{ dp[ i ][ j- k * wi ]+k * vi } ), k>=1
      = max{ dp[ i ][ j - k * wi ] + k *vi }，k>=0

---

算法分析：

首先我们在i，j位置时

• 如果不拿第 i 个物品，那么dp为②
• 如果拿第 i 个物品，那么dp为③

那么考虑，为什么不需要①位置？ 这是因为，纵向严格单调非递减。
那么这样一来，循环次序也就固定了，只能从小到大更新。

---

完全背包空间压缩

将空间压缩至一维：
 for(int i = 0; i < n; i++){
   for(int j = 0; j <= V; j++){
     dp[ j ] = max( dp[ j ], dp[ j - w[ i ] ] + v[ i ] );
   }
 }